論文の概要: Standardized Multi-Layer Tissue Maps for Enhanced Artificial Intelligence Integration and Search in Large-Scale Whole Slide Image Archives
- arxiv url: http://arxiv.org/abs/2508.21418v1
- Date: Fri, 29 Aug 2025 08:39:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-01 19:45:10.968613
- Title: Standardized Multi-Layer Tissue Maps for Enhanced Artificial Intelligence Integration and Search in Large-Scale Whole Slide Image Archives
- Title（参考訳）: 大規模スライド画像アーカイブにおける高機能人工知能統合と検索のための多層組織マップの標準化
- Authors: Gernot Fiala, Markus Plass, Robert Harb, Peter Regitnig, Kristijan Skok, Wael Al Zoughbi, Carmen Zerner, Paul Torke, Michaela Kargl, Heimo Müller, Tomas Brazdil, Matej Gallo, Jaroslav Kubín, Roman Stoklasa, Rudolf Nenutil, Norman Zerbe, Andreas Holzinger, Petr Holub,
- Abstract要約: Whole Slide Image (WSI)は、生物学的標本を含むガラススライド全体をスキャンして作成した高解像度のデジタル画像である。
WSIは、疾患の診断のための病理学やがん研究のための腫瘍学など、様々な分野で使用されている。
現在、このメタデータの標準は存在しないため、手作業による検査が中心となっている。
本稿では、WSI用の2Dインデックスマップと、特定のアプリケーションドメインのためのプロファイリング機構を生成するための一般的なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.7964532301085203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A Whole Slide Image (WSI) is a high-resolution digital image created by scanning an entire glass slide containing a biological specimen, such as tissue sections or cell samples, at multiple magnifications. These images can be viewed, analyzed, shared digitally, and are used today for Artificial Intelligence (AI) algorithm development. WSIs are used in a variety of fields, including pathology for diagnosing diseases and oncology for cancer research. They are also utilized in neurology, veterinary medicine, hematology, microbiology, dermatology, pharmacology, toxicology, immunology, and forensic science. When assembling cohorts for the training or validation of an AI algorithm, it is essential to know what is present on such a WSI. However, there is currently no standard for this metadata, so such selection has mainly been done through manual inspection, which is not suitable for large collections with several million objects. We propose a general framework to generate a 2D index map for WSI and a profiling mechanism for specific application domains. We demonstrate this approach in the field of clinical pathology, using common syntax and semantics to achieve interoperability between different catalogs. Our approach augments each WSI collection with a detailed tissue map that provides fine-grained information about the WSI content. The tissue map is organized into three layers: source, tissue type, and pathological alterations, with each layer assigning segments of the WSI to specific classes. We illustrate the advantages and applicability of the proposed standard through specific examples in WSI catalogs, Machine Learning (ML), and graph-based WSI representations.
- Abstract（参考訳）: Whole Slide Image (WSI) は、組織セクションや細胞サンプルなどの生物学的標本を含むガラススライド全体を、複数の倍率でスキャンして作成した高解像度のデジタル画像である。
これらの画像は、デジタルで閲覧、分析、共有することができ、今日では人工知能(AI)アルゴリズム開発に使われている。
WSIは、疾患の診断のための病理学やがん研究のための腫瘍学など、様々な分野で使用されている。
神経学、獣医学、血液学、微生物学、皮膚学、薬理学、毒性学、免疫学、法医学にも応用されている。
AIアルゴリズムのトレーニングや検証のためにコホートを組み立てる場合、そのようなWSIに何が存在するのかを知ることが不可欠である。
しかし、現時点ではこのメタデータの標準は存在しないため、この選択は主に手動検査によって行われており、数百万のオブジェクトを持つ大規模なコレクションには適していない。
本稿では、WSI用の2Dインデックスマップと、特定のアプリケーションドメインのためのプロファイリング機構を生成するための一般的なフレームワークを提案する。
この手法を臨床病理学の分野で実証し、共通構文と意味論を用いて異なるカタログ間の相互運用を実現する。
当社のアプローチでは、各WSIコレクションに詳細な組織マップを追加し、WSIコンテンツに関する詳細な情報を提供しています。
組織マップは、ソース、組織タイプ、病理学的変化の3つの層に分けられ、各層は特定のクラスにWSIのセグメントを割り当てる。
本稿では、WSIカタログ、機械学習(ML)、グラフベースのWSI表現の具体例を通して、提案する標準の利点と適用性について説明する。
関連論文リスト
- MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。
前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。
後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
論文 参考訳（メタデータ） (2025-03-29T11:14:02Z) - From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。
任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。
本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - From Traditional to Deep Learning Approaches in Whole Slide Image Registration: A Methodological Review [7.441179174680556]
病理組織学的には,全スライド画像(WSI)の登録は腫瘍ミクロ環境(TME)の解析に必須の課題である。
これは、同じ部分のWSIと組織サンプルのシリアルセクションの空間情報のアライメントを含む。
目標は、3D画像を作成したり、TME内の細胞のサブクラスを特定するために、Z軸に沿って隣接する核を特定することである。
論文 参考訳（メタデータ） (2025-02-26T13:24:16Z) - HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。
私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文 参考訳（メタデータ） (2024-08-16T17:19:07Z) - WSI-VQA: Interpreting Whole Slide Images by Generative Visual Question Answering [6.315841446240698]
生成的視覚的質問応答により,スライド画像全体(WSI)を解釈する新しい枠組みを提案する。
WSI-VQAは、様々なスライドレベルのタスクを質問応答パターンで記述することで、普遍性を示す。
8672のスライドレベル質問応答対と977のWSIを含むWSI-VQAデータセットを構築した。
論文 参考訳（メタデータ） (2024-07-08T04:37:32Z) - PathAlign: A vision-language model for whole slide images in histopathology [13.567674461880905]
We developed a vision- language model based on the BLIP-2 framework using WSIs and curated text from pathology reports。
これにより、関心のある事例を見つけるために、テキストや画像検索などの共有画像テキスト埋め込みスペースを利用することができる。
本稿では、WSI埋め込みを用いたテキスト生成とテキスト検索の病理学評価と、WSI分類とワークフロー優先順位付けの結果について述べる。
論文 参考訳（メタデータ） (2024-06-27T23:43:36Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - Long-MIL: Scaling Long Contextual Multiple Instance Learning for
Histopathology Whole Slide Image Analysis [9.912061800841267]
病理組織の全スライド画像(WSI)を解析に用いる。
以前の方法は一般的にWSIを多数のパッチに分割し、WSI内のすべてのパッチを集約してスライドレベルの予測を行う。
本稿では,線形バイアスを注意に導入することにより,形状の異なる長文WSIの位置埋め込みを改善することを提案する。
論文 参考訳（メタデータ） (2023-11-21T03:08:47Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。